Analiza piosenek¶

Dominika Wiśniewska

Wstęp¶

Źródło danych: https://www.kaggle.com/datasets/refiaozturk/spotify-songs-dataset (pobierane w momencie uruchomienia programu)

Kolumny:

  • song_id
  • song_title
  • artist
  • album
  • genre
  • release_date
  • duration
  • popularity
  • stream
  • language
  • explicit_content
  • label
  • composer
  • producer
  • collaboration

Importowanie bibliotek¶

In [ ]:
install.packages("viridis")
install.packages("tidyverse")
install.packages("dplyr")
install.packages("RColorBrewer")
install.packages("reshape2")
install.packages("patchwork")
install.packages("GGally")

Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

also installing the dependency ‘ggstats’
In [ ]:
library(tidyverse)
library(dplyr)
library(RColorBrewer)
library(viridis)
library(reshape2)

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ lubridate 1.9.4     ✔ tibble    3.2.1
✔ purrr     1.0.2     ✔ tidyr     1.3.1
✔ readr     2.1.5     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ readr::col_factor() masks scales::col_factor()
✖ purrr::discard()    masks scales::discard()
✖ dplyr::filter()     masks stats::filter()
✖ dplyr::lag()        masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
Loading required package: viridisLite


Attaching package: ‘viridis’


The following object is masked from ‘package:scales’:

    viridis_pal



Attaching package: ‘reshape2’


The following object is masked from ‘package:tidyr’:

    smiths

Wczytanie danych¶

In [ ]:
# Sprawdź, czy folder "data" istnieje, jeśli nie - utwórz go
if (!dir.exists("data")) {
  dir.create("data")
}

# Jeśli plik CSV nie istnieje, pobierz go
if (!file.exists("data/spotify_songs_dataset.csv")) {
  # Instalacja wymaganych pakietów
  install.packages(c("devtools"))
  devtools::install_github("ldurazo/kaggler")

  # Załadowanie bibliotek
  library(readr)
  library(kaggler)

  # Uwierzytelnianie w Kaggle
  kgl_auth(username = "dominikawiniewska", key = "5d24436e5518b1612c5d7e34300cf354")

  # Pobranie danych z Kaggle
  response <- kgl_datasets_download_all(owner_dataset = "refiaozturk/spotify-songs-dataset")

  # Pobranie pliku ZIP
  download.file(response[["url"]], "data/temp.zip", mode = "wb")

  # Rozpakowanie pliku ZIP
  unzip_result <- unzip("data/temp.zip", exdir = "data/", overwrite = TRUE)
}

# Wczytanie danych
df <- read_csv("data/spotify_songs_dataset.csv")

Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

Downloading GitHub repo ldurazo/kaggler@HEAD


curl (6.1.0 -> 6.2.0) [CRAN]

Installing 1 packages: curl

Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)


── R CMD build ─────────────────────────────────────────────────────────────────
* checking for file ‘/tmp/RtmpyAw0Fy/remotes2315186f764/ldurazo-kaggler-bfb8fb6/DESCRIPTION’ ... OK
* preparing ‘kaggler’:
* checking DESCRIPTION meta-information ... OK
* checking for LF line-endings in source and make files and shell scripts
* checking for empty or unneeded directories
Omitted ‘LazyData’ from DESCRIPTION
* building ‘kaggler_0.0.0.9000.tar.gz’


Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

Your Kaggle key has been recorded for this session and saved as `KAGGLE_PAT`
  environment variable for future sessions.

Rows: 50000 Columns: 15
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr  (11): song_id, song_title, artist, album, genre, language, explicit_con...
dbl   (3): duration, popularity, stream
date  (1): release_date

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
In [ ]:
#df <- read_csv("spotify_songs_dataset.csv")

Wstępna obróbka¶

In [ ]:
head(df)
A tibble: 6 × 15
song_idsong_titleartistalbumgenrerelease_datedurationpopularitystreamlanguageexplicit_contentlabelcomposerproducercollaboration
<chr><chr><chr><chr><chr><date><dbl><dbl><dbl><chr><chr><chr><chr><chr><chr>
SP0001Space executive series.Sydney Clark What. Electronic1997-11-082824235055874EnglishYesDef Jam Amy Hatfield Jeffrey Weaver NA
SP0002Price last painting. Connor Peters DDSNature politics. Electronic2015-05-1012750 9249527EnglishYesUniversal MusicJason GregoryKenneth White NA
SP0003Piece. Anna Keith Visit. Pop 2024-07-08 NA1076669110EnglishYesUniversal MusicRachel Lopez Jason Barnes NA
SP0004Power industry your. Zachary Simpson Behavior evening. Hip-Hop 2022-08-152148634732016EnglishNo Sony Music Thomas Li Mrs. Becky PalmerNA
SP0005Food animal second. Christopher McgeeFront. Pop 2023-03-052736396649372EnglishYesDef Jam Adam Wagner Beverly Baker NA
SP0006Whatever Mr send. Nathan King Various experience.Folk 2015-11-293127482613530NA YesIndie Brad Hicks John Brown NA
In [ ]:
sum(is.na(df))
42500
In [ ]:
df$collaboration[is.na(df$collaboration)] <- "None"
In [ ]:
sum(is.na(df))
7500
In [ ]:
df <- na.omit(df)
head(df)
A tibble: 6 × 15
song_idsong_titleartistalbumgenrerelease_datedurationpopularitystreamlanguageexplicit_contentlabelcomposerproducercollaboration
<chr><chr><chr><chr><chr><date><dbl><dbl><dbl><chr><chr><chr><chr><chr><chr>
SP0001Space executive series.Sydney Clark What. Electronic1997-11-082824235055874English YesDef Jam Amy Hatfield Jeffrey Weaver None
SP0002Price last painting. Connor Peters DDSNature politics. Electronic2015-05-1012750 9249527English YesUniversal Music Jason GregoryKenneth White None
SP0004Power industry your. Zachary Simpson Behavior evening.Hip-Hop 2022-08-152148634732016English No Sony Music Thomas Li Mrs. Becky PalmerNone
SP0005Food animal second. Christopher McgeeFront. Pop 2023-03-052736396649372English YesDef Jam Adam Wagner Beverly Baker None
SP0007Each leg. Joshua Santos Determine. Hip-Hop 1996-03-163364988337653JapaneseNo Def Jam Henry Willis William Smith None
SP0008Person then enjoy. Leonard Brown Sense lot. Hip-Hop 2017-08-14237 995988275English No Atlantic RecordsKeith Horton Justin Gonzalez None
In [ ]:
str(df)

tibble [42,744 × 15] (S3: tbl_df/tbl/data.frame)
 $ song_id         : chr [1:42744] "SP0001" "SP0002" "SP0004" "SP0005" ...
 $ song_title      : chr [1:42744] "Space executive series." "Price last painting." "Power industry your." "Food animal second." ...
 $ artist          : chr [1:42744] "Sydney Clark" "Connor Peters DDS" "Zachary Simpson" "Christopher Mcgee" ...
 $ album           : chr [1:42744] "What." "Nature politics." "Behavior evening." "Front." ...
 $ genre           : chr [1:42744] "Electronic" "Electronic" "Hip-Hop" "Pop" ...
 $ release_date    : Date[1:42744], format: "1997-11-08" "2015-05-10" ...
 $ duration        : num [1:42744] 282 127 214 273 336 237 216 161 345 131 ...
 $ popularity      : num [1:42744] 42 50 86 63 49 9 2 81 88 73 ...
 $ stream          : num [1:42744] 35055874 9249527 34732016 96649372 88337653 ...
 $ language        : chr [1:42744] "English" "English" "English" "English" ...
 $ explicit_content: chr [1:42744] "Yes" "Yes" "No" "Yes" ...
 $ label           : chr [1:42744] "Def Jam" "Universal Music" "Sony Music" "Def Jam" ...
 $ composer        : chr [1:42744] "Amy Hatfield" "Jason Gregory" "Thomas Li" "Adam Wagner" ...
 $ producer        : chr [1:42744] "Jeffrey Weaver" "Kenneth White" "Mrs. Becky Palmer" "Beverly Baker" ...
 $ collaboration   : chr [1:42744] "None" "None" "None" "None" ...
 - attr(*, "na.action")= 'omit' Named int [1:7256] 3 6 9 14 34 35 50 59 62 64 ...
  ..- attr(*, "names")= chr [1:7256] "3" "6" "9" "14" ...
In [ ]:
numeric_cols <- c("duration", "popularity", "stream")
In [ ]:
df$duration <- as.integer(df$duration)
df$popularity <- as.integer(df$popularity)
df$stream <- as.integer(df$stream)

Zmiana typów zmiennych dla kolumn numerycznych

In [ ]:
head(df)
A tibble: 6 × 15
song_idsong_titleartistalbumgenrerelease_datedurationpopularitystreamlanguageexplicit_contentlabelcomposerproducercollaboration
<chr><chr><chr><chr><chr><date><int><int><int><chr><chr><chr><chr><chr><chr>
SP0001Space executive series.Sydney Clark What. Electronic1997-11-082824235055874English YesDef Jam Amy Hatfield Jeffrey Weaver None
SP0002Price last painting. Connor Peters DDSNature politics. Electronic2015-05-1012750 9249527English YesUniversal Music Jason GregoryKenneth White None
SP0004Power industry your. Zachary Simpson Behavior evening.Hip-Hop 2022-08-152148634732016English No Sony Music Thomas Li Mrs. Becky PalmerNone
SP0005Food animal second. Christopher McgeeFront. Pop 2023-03-052736396649372English YesDef Jam Adam Wagner Beverly Baker None
SP0007Each leg. Joshua Santos Determine. Hip-Hop 1996-03-163364988337653JapaneseNo Def Jam Henry Willis William Smith None
SP0008Person then enjoy. Leonard Brown Sense lot. Hip-Hop 2017-08-14237 995988275English No Atlantic RecordsKeith Horton Justin Gonzalez None

Analiza podstawowa¶

In [ ]:
numeric_cols <- c("duration", "popularity", "stream")
summary <- summary(df[numeric_cols])

summary_rounded <- lapply(df[numeric_cols], function(x) round(summary(x), 2))
summary_rounded

$duration
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   33.0   206.0   240.0   239.7   274.0   433.0 

$popularity
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
    1.0    26.0    51.0    50.8    76.0   100.0 

$stream
    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
    1899 25294101 50562992 50237340 75191077 99999128

Statystyki pojedynczych zmiennych¶

Explicit content¶

In [ ]:
options(repr.plot.width = 16, repr.plot.height = 10)

ggplot(df, aes(x = explicit_content, fill = explicit_content)) +
  geom_bar() +
  ggtitle("Ilość piosenek z wulgaryzmami") +
  xlab("Obecność wulgaryzmów") +
  ylab("Ilość piosenek") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 16),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )
No description has been provided for this image

Wnioski:

Ilość piosenek z wulgaryzmami jest bardzo zbliżona do ilośc tych bez wulgaryzmów

Genre¶

In [ ]:
genre_counts <- table(df$genre)

genre_df <- data.frame(genre = names(genre_counts), count = as.vector(genre_counts))

genre_df$percentage <- round(100 * genre_df$count / sum(genre_df$count), 1)
genre_df$genre <- factor(genre_df$genre, levels = genre_df$genre[order(genre_df$count, decreasing = TRUE)])

ggplot(genre_df, aes(x = "", y = count, fill = genre)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y", start = pi / 4) +
  geom_text(aes(label = paste(percentage, "%")),
            position = position_stack(vjust = 0.5),
            color = "black", size = 6,
   ) +
  ggtitle("Rozkład gatunków piosenek w zbiorze") +
  scale_fill_brewer(palette = "Set1")+
  theme_void()+
  theme(
    plot.title = element_text(size = 20),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )
No description has been provided for this image

Wnioski:

Najpopuarniejszymi gatunkami muzycznymi są Pop, Electronic i Hip-Hop.

Najmniejszą popularnością cieszą się: Reagge, R&B i Jazz

Language¶

In [ ]:
language_counts <- table(df$language)

language_df <- data.frame(language = names(language_counts), count = as.vector(language_counts))

language_df$percentage <- round(100 * language_df$count / sum(language_df$count), 1)
language_df$language <- factor(language_df$language, levels = language_df$language[order(language_df$count, decreasing = TRUE)])

ggplot(language_df, aes(x = "", y = count, fill = language)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y", start = pi / 4) +
  geom_text(aes(label = paste(percentage, "%")),
            position = position_stack(vjust = 0.5),
            color = "black", size = 6) +
  ggtitle("Rozkład języków w zbiorze") +
  theme_void() +
  scale_fill_brewer(palette = "Set1") +
  theme(
    plot.title = element_text(size = 20),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )
No description has been provided for this image

Wnioski:

Zdecydowanie dominującym językiem piosenek jest angielski, występuje w niemalże 3/4 wszystkich utworów.

Duration¶

In [ ]:
ggplot(df, aes(x = duration)) +
  geom_histogram(aes(y = after_stat(count)), bins = 20, fill = "green", color = "black", alpha = 0.6) +
  geom_density(aes(y = after_stat(density) * length(df$duration) * diff(range(df$duration)) / 20),
               color = "blue", linewidth = 1) +
  ggtitle("Rozkład czasu trwania utworów") +
  xlab("Czas trwania (s)") +
  ylab("Liczba utworów") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 14)
  )
No description has been provided for this image

Wnioski:

Większość piosenek trwa około 250 sekund, czyli 4 minuty 10 sekund

Ilość piosenek zawierających wulgaryzmy¶

In [ ]:
ggplot(df, aes(x = language, fill = explicit_content)) +
  geom_bar(position = "dodge") +
  ggtitle("Ilość piosenek zawierających wulgaryzmy") +
  xlab("Język") +
  ylab("Ilość") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 14),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )
No description has been provided for this image

Wnioski:

W wszystkich językach ilości piosenek z wulgaryzmami i bez nich są podobne do siebie.

W językach: angielskim, koreańskim i francuskim nieznacznie dominują piosenki zawierające wulgaryzmy.

W języku włoskim nieznacznie przeważają piosenki nieposiadające wulgaryzmów.

Ilość piosenek wyprodukowanych w poszczególnych językach dla każdej z dekad - bez uwzględnienia angielskiego¶

In [ ]:
df$release_year <- format(as.Date(df$release_date, format = "%Y-%m-%d"), "%Y")
df$release_year <- as.numeric(df$release_year)
df$decade <- (df$release_year %/% 10) * 10

data <- df %>% filter(language != "English")

heatmap_data <- data %>%
  group_by(decade, language) %>%
  summarise(count = n(), .groups = 'drop') %>%
  pivot_wider(names_from = language, values_from = count, values_fill = 0)

heatmap_df <- heatmap_data %>%
  pivot_longer(
    cols = -decade,
    names_to = "Language",
    values_to = "Count"
  )

ggplot(heatmap_df, aes(x = Language, y = decade, fill = Count)) +
  geom_tile(color = "white") +
  scale_fill_viridis(option = "C", name = "Liczba utworów") +
  geom_text(aes(label = Count), color = "black", size = 6) +
  labs(
    title = "Rozkład języka piosenek w różnych dekadach - bez języka angielskiego",
    x = "Język",
    y = "Dekada"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  theme(panel.grid.major = element_blank(), panel.grid.minor = element_blank())+
  theme(
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 14),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )
No description has been provided for this image

Wnioski:

Nie uwzględniamy języka angielskiego dla lepszej widoczności danych.

W latach 2000. ilość piosenek we wszystich językach mniej więcej podwoiła się względem poprzedniej dekady.

Najbardziej dominującym językiem jest hiszpański, po nim koreański i francuski.

Piosenki zawierające kolaborację¶

In [ ]:
data_w_collab <- df %>% filter(!is.na(collaboration))
data_wo_collab <- df %>% filter(collaboration == "None")

collab_count <- data_w_collab %>% count(language, name = "Piosenki z kolaboracjami")
no_collab_count <- data_wo_collab %>% count(language, name = "Piosenki bez kolaboracji")

collab_summary <- full_join(collab_count, no_collab_count, by = "language") %>%
  replace(is.na(.), 0)

collab_summary_long <- collab_summary %>%
  pivot_longer(cols = c("Piosenki z kolaboracjami", "Piosenki bez kolaboracji"),
               names_to = "Typ_piosenki",
               values_to = "Liczba_piosenek")

ggplot(collab_summary_long, aes(x = language, y = Liczba_piosenek, fill = Typ_piosenki)) +
  geom_bar(stat = "identity", position = "dodge") +
  scale_fill_manual(values = c("dodgerblue", "tomato")) +
  labs(
    title = "Liczba piosenek z kolaboracjami i bez kolaboracji w różnych językach",
    x = "Język",
    y = "Liczba piosenek",
    fill = "Typ piosenki"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1,size=16),
    axis.text.y = element_text(size=16),
    plot.title = element_text(size = 18),
    axis.title = element_text(size = 16),
    legend.title = element_text(size = 18),
    legend.text = element_text(size = 16)
  )
No description has been provided for this image

Wnioski:

Większość piosenek to kolaboracja z innymi artystami

Trend ten jest widoczny we wszystkich językach

Średnia popularność gatunków muzycznych w różnych dekadach¶

In [ ]:
df$release_year <- as.numeric(format(as.Date(df$release_date, format = "%Y-%m-%d"), "%Y"))
df$decade <- (df$release_year %/% 10) * 10

genre_decade_popularity <- df %>%
  group_by(decade, genre) %>%
  summarise(popularity = mean(popularity, na.rm = TRUE), .groups = "drop")

heatmap_data <- genre_decade_popularity %>%
  pivot_wider(names_from = decade, values_from = popularity, values_fill = 0)

heatmap_long <- melt(heatmap_data, id.vars = "genre")

ggplot(heatmap_long, aes(x = variable, y = genre, fill = value)) +
  geom_tile(color = "gray", linewidth = 0.5) +
  geom_text(aes(label = round(value, 1)), color = "black", size = 6) +  # Dodanie liczb
  scale_fill_viridis(option = "C",name = "Średnia popularność") +
  labs(
    title = "Średnia popularność gatunków muzycznych w różnych dekadach",
    x = "Dekada",
    y = "Gatunek"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
    axis.text.y = element_text(size = 14),
    plot.title = element_text(size = 16, hjust = 0.5),
    axis.title = element_text(size = 16),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )
No description has been provided for this image

Wnioski:

W latach 90. najpopularniejsze były Reggae, R&B i Jazz

W latach 2000. najpopularniejsze były Hip-Hop, folk i muzyka elektroniczna

W latach 2011-2020 najpopularniejsze były muzyka Country i folk

W latach 2021 do teraz najpopularniejsze były Pop i muzyka Country

Średnia popularność piosenki w zależności od języka i gatunku¶

In [ ]:
data <- df %>%
  group_by(language, genre) %>%
  summarise(popularity = mean(popularity, na.rm = TRUE), .groups = 'drop')

heatmap_data <- data %>%
  pivot_wider(names_from = genre, values_from = popularity, values_fill = 0)

heatmap_long <- melt(heatmap_data, id.vars = "language")

ggplot(heatmap_long, aes(x = variable, y = language, fill = value)) +
  geom_tile(color = "gray", linewidth = 0.5) +
  geom_text(aes(label = round(value, 1)), color = "black", size = 6) +
  scale_fill_gradient2(
    low = "blue",
    mid = "white",
    high = "red",
    midpoint = median(heatmap_long$value, na.rm = TRUE),
    name = "Średnia popularność"
  ) +
  labs(
    title = "Średnia popularność w zależności od języka i gatunku",
    x = "Gatunek",
    y = "Język"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 16),
    axis.text.y = element_text(size = 16),
    plot.title = element_text(size = 18, hjust = 0.5),
    axis.title = element_text(size = 14),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )
No description has been provided for this image

Wnioski:

  • Najpopularniejsze są piosenki Country i muzyki klasycznej w języku niemieckim

  • Wysoką popularność ma też folk po francusku, R&B po niemiecku czy jazz po koreańsku

  • Najmniej popularne są piosenki Country w języku japońskim oraz muzyka klasyczna po koreańsku

  • Mało popularne są jest też m.in. R&B po hiszpańsku i włosku

W angielskim żaden gatunek się za bardzo nie wyróżnia, najpewniej spowodowane bardzo dużą ilością piosenek w tym języku

Zmiany następujące na przestrzeni lat¶

In [ ]:
library(dplyr)
library(ggplot2)


df1 <- df %>%
  select(release_date, stream, genre) %>%
  mutate(release_date = as.Date(release_date),
         year = format(release_date, "%Y")) %>%
  group_by(year, genre) %>%
  summarise(total_stream = sum(stream, na.rm = TRUE)) %>%
  ungroup()

ggplot(df1, aes(x = as.numeric(year), y = total_stream, color = genre)) +
  geom_line() +
  labs(
    title = "Ilość streamowanych piosenek na przestrzeni lat w zależności od gatunku",
    x = "Rok",
    y = "Ilość streamów",
    color = "Gatunek"
  ) +
  theme_minimal()+
  theme(
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 14),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )

`summarise()` has grouped output by 'year'. You can override using the
`.groups` argument.
No description has been provided for this image

Wnioski:

  • Ilości streamowanych piosenek na przestrzeni lat nie zmieniają się zbytnio, może to wynikać z tego, że zbiór został wygenerowany przez AI

  • Najpopularniejsze gatunki niezależnie od czasu to: Electronic, Pop i Hip-Hop

Artyści¶

In [ ]:
library(dplyr)

# Obliczanie statystyk dla artystów
artist_stats <- df %>%
  group_by(artist) %>%
  summarise(
    total_popularity = sum(popularity, na.rm = TRUE),
    song_count = n(),
    collaboration = sum(!is.na(collaboration))
  ) %>%
  mutate(average_quality = total_popularity / song_count) %>%
  arrange(desc(total_popularity))


artysci <- artist_stats %>% slice_head(n = 10)

artysci
A tibble: 10 × 5
artisttotal_popularitysong_countcollaborationaverage_quality
<chr><int><int><int><dbl>
Michael Smith 1025222246.59091
Michael Johnson 953181852.94444
John Smith 951181852.83333
John Williams 811121267.58333
Michael Miller 790121265.83333
Robert Williams 740151549.33333
Jennifer Smith 728131356.00000
Christopher Johnson 722141451.57143
Joshua Johnson 703101070.30000
Amanda Smith 683111162.09091

Przedstawienie TOP 10 artystów (suma popularności wszystkich piosenek)

In [ ]:
# Popularności artystów top 10 na przestrzeni lat - wykres liniowy

library(dplyr)
library(ggplot2)

#Przygotowanie danych
df <- df %>%
  mutate(release_date = as.Date(release_date),
         year = format(release_date, "%Y"))


grouped <- df %>%
  group_by(year, artist) %>%
  summarise(popularity = sum(popularity, na.rm = TRUE)) %>%
  ungroup()


artist_popularity <- grouped %>%
  group_by(artist) %>%
  summarise(total_popularity = sum(popularity, na.rm = TRUE)) %>%
  arrange(desc(total_popularity)) %>%
  slice_head(n = 10)

top_artists <- artist_popularity$artist

top_data <- grouped %>%
  filter(artist %in% top_artists) %>%
  arrange(artist, year) %>%
  group_by(artist) %>%
  mutate(cumulative_popularity = cumsum(popularity)) %>%
  ungroup()

# Tworzenie wykresu liniowego
ggplot(top_data, aes(x = as.numeric(year), y = cumulative_popularity, color = artist)) +
  geom_line() +
  labs(
    title = "Przyrost popularności top 10 artystów na przestrzeni lat",
    x = "Rok",
    y = "Skumulowana Popularność",
    color = "Artysta"
  ) +
  theme_minimal()+
  theme(
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 14),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )

`summarise()` has grouped output by 'year'. You can override using the
`.groups` argument.
No description has been provided for this image

Wnioski:

  • Większości artystów towarzyszył stały przyrost popularności.

  • Najgwałtowniejszy skok popularności spotkał Jennifer Smith

  • Natomiast w stałym tempie rozwijały się kariery: Christophera Johnsona, Roberta Wiliamsa i Michaela Johnsona.

In [ ]:
library(ggplot2)
library(dplyr)
library(tidyr)
library(scales)

# Przygotowanie danych
heatmap_data <- artysci %>%
  select(artist, total_popularity, song_count, average_quality) %>%
  column_to_rownames(var = "artist")


normalized_data <- as.data.frame(lapply(heatmap_data, function(col) {
  (col - min(col)) / (max(col) - min(col))
}))
normalized_data$artist <- rownames(normalized_data)

heatmap_long <- normalized_data %>%
  pivot_longer(-artist, names_to = "metric", values_to = "value")

# Tworzenie heatmapy
ggplot(heatmap_long, aes(x = metric, y = artist, fill = value)) +
  geom_tile(color = "white", linewidth = 0.5) +
  geom_text(aes(label = round(value, 1)), color = "black", size = 5) + # Dodanie wartości
  scale_fill_gradientn(colors = scales::brewer_pal(palette = "RdYlBu")(10)) +
  labs(
    title = "Porównanie Popularności, Liczby Utworów i Średniej Jakości Artystów",
    x = "Metryka",
    y = "Artyści"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text( hjust = 1,size=14, face = "bold"),
    axis.title.x = element_text(size = 14, face = "bold"),
    plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14),
    axis.text.y = element_text(size = 14),
    axis.title.y = element_text(size = 14)
  )
No description has been provided for this image

Wnioski:

  • Dla części wykonawców zachodzi zależność: Im więcej piosenek, tym większa popularność.

  • Ogólna zależność występująca między ilośćią wykonanych piosenek oraz średnią jakością utworów artysty to: im mniej piosenek, tym większa jakość

In [ ]:
library(dplyr)

df1 <- df %>%
  arrange(desc(popularity)) %>%
  select(artist, popularity, song_title) %>%
  filter(artist %in% artysci$artist)

# Wybranie najpopularniejszego utworu dla każdego artysty
grouped <- df1 %>%
  group_by(artist) %>%
  slice_max(order_by = popularity, n = 1) %>%
  ungroup()

grouped <- grouped %>%
  arrange(factor(artist, levels = artysci$artist))

grouped
A tibble: 11 × 3
artistpopularitysong_title
<chr><int><chr>
Michael Smith 83Myself generation piece.
Michael Johnson 89Factor fund.
John Smith 99Land huge.
John Williams 96Cold fill able.
Michael Miller 93Media.
Michael Miller 93Chair politics poor.
Robert Williams 92Big condition themselves.
Jennifer Smith 99Focus over any.
Christopher Johnson98Reflect dinner quality market.
Joshua Johnson 95Term conference.
Amanda Smith 95Space section cultural.

Wnioski:

Najpopularniejsze piosenki TOP 10 artystów nie we wszystkich przypadkach przekraczają 90 pkt popularności.

Współpraca¶

In [ ]:
library(ggplot2)
library(dplyr)
library(tidyr)

# liczba obserwacji do pokazania na wykresie
num <- 5000


artist_stats_limited <- artist_stats %>%
  slice_head(n = num) %>%
  mutate(rank = row_number())



# 1. Liczba współprac
plot1 <- ggplot(artist_stats_limited, aes(x = rank, y = collaboration)) +
  geom_line(color = "dodgerblue") +
  labs(
    title = "Porównanie popularności artysty z liczbą współprac",
    x = "Miejsce w rankingu popularności",
    y = "Ilość współprac"
  ) +
  theme_minimal() +
  theme(panel.grid = element_line(linetype = "dashed", color = "gray"))+
  theme(
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 14),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )

# 2. Liczba utworów
plot2 <- ggplot(artist_stats_limited, aes(x = rank, y = song_count)) +
  geom_line(color = "red") +
  labs(
    title = "Porównanie popularności artysty z liczbą utworów",
    x = "Miejsce w rankingu popularności",
    y = "Ilość utworów"
  ) +
  theme_minimal() +
  theme(panel.grid = element_line(linetype = "dashed", color = "gray"))+
  theme(
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 14),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )

# 3. Jakość artysty
plot3 <- ggplot(artist_stats_limited, aes(x = rank, y = average_quality)) +
  geom_line(color = "green") +
  labs(
    title = "Porównanie popularności artysty z jego jakością",
    x = "Miejsce w rankingu popularności",
    y = "Jakość artysty"
  ) +
  theme_minimal() +
  theme(panel.grid = element_line(linetype = "dashed", color = "gray"))+
  theme(
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 14),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )

library(patchwork)
(plot1 / plot2 / plot3) + plot_layout(guides = "collect")
No description has been provided for this image

Wnioski:

  • Im bardziej popularny artysta tym więcej współpracuje z innymi artystami,

  • Im więcej piosenek wykonuje artysta, tym jest popularniejszy

  • Ilość współprac autora jest zależna od ilości wydanych piosenek, obie te wartości rosną wraz z popularnością autora

  • Średnia jakość utworów artysty jest niezależna od jego popularności,

  • Można zauważyć, że od ok.1000-3500 miejsca wartość ta spada wraz z popularnością,

  • Jednak az 3500 miejscem jakość artysty utrzymuje się na wysokim poziomie, może to wynikać z faktu, że autorzy ci napisali tylko 1-2 piosenki, które biły rekordy popularności, jednak nie wydali żadnych innych hitów, które mogłyby obniżyć ich jakość.

Porównanie popularności piosenek z wulgaryzmami i bez¶

In [ ]:
library(ggplot2)
library(dplyr)
library(RColorBrewer)

# Załóżmy, że masz dane w ramce danych 'df'
avg_popularity_by_genre <- df %>%
  group_by(genre, explicit_content) %>%
  summarise(popularity = mean(popularity, na.rm = TRUE)) %>%
  ungroup()

# Tworzenie wykresu
ggplot(avg_popularity_by_genre, aes(x = genre, y = popularity, fill = explicit_content)) +
  geom_bar(stat = "identity", position = "dodge") +
  scale_fill_manual(values = brewer.pal(3, "Set2")) +  # Kolory z palety Set2
  labs(
    title = "Średnia popularność piosenek z wulgaryzmami vs bez wulgaryzmów dla każdego gatunku",
    x = "Gatunek muzyczny",
    y = "Średnia popularność",
    fill = "Treść explicit"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 14),
    legend.title = element_text(size = 14),
    legend.text = element_text(size = 12),
    axis.text.y = element_text(size = 14),
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
  ) +
  guides(fill = guide_legend(title = "Treść explicit"))

`summarise()` has grouped output by 'genre'. You can override using the
`.groups` argument.
No description has been provided for this image

Wniosek:

Wulgaryzmy w piosenkach minimalnie wpływają na popularność piosenek w poszczególnych gatunkach. W kategorii Jazz zauważalnie bardziej popularne są piosenki z wulgaryzmami, natomiast w Reggae jeszcze bardziej zauważalnie większą popularność mają piosenki bez wulgaryzmów. W pozostałyh kategoriach nie ma tak zauważalnej różnocy w popularności.

Zależność długość piosenki a liczba streamów¶

In [ ]:
library(ggplot2)
library(GGally)
library(scales)

# Załóżmy, że masz dane w ramce danych 'df'

# Obliczanie współczynnika korelacji Pearsona
correlation <- cor(df$duration, df$stream)
cat(sprintf("Współczynnik korelacji Pearsona: %.2f\n", correlation))

# Wartość p (dla testu korelacji Pearsona)
cor_test <- cor.test(df$duration, df$stream)
cat(sprintf("p-value: %.4f\n", cor_test$p.value))

# Tworzenie wykresu punktowego z linią regresji
ggplot(df, aes(x = duration, y = stream)) +
  geom_point(color = "blue", alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  scale_y_continuous(labels = function(x) {
    ifelse(x >= 1e9, paste0(round(x / 1e9, 1), "B"),
           ifelse(x >= 1e6, paste0(round(x / 1e6, 1), "M"), round(x)))
  }) +
  labs(
    title = "Zależność między długością piosenki a liczbą streamów",
    x = "Długość piosenki (sekundy)",
    y = "Liczba streamów"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1),
    axis.text.y = element_text(size = 14),
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
  )

Registered S3 method overwritten by 'GGally':
  method from   
  +.gg   ggplot2


Współczynnik korelacji Pearsona: -0.00
p-value: 0.8714

`geom_smooth()` using formula = 'y ~ x'
No description has been provided for this image
In [ ]:
library(ggplot2)
library(dplyr)
library(scales)

# Załóżmy, że masz dane w ramce danych 'df'

# Tworzenie kategorii długości piosenek
bins <- c(0, 180, 240, max(df$duration))
labels <- c("Krótkie (<180s)", "Średnie (180-240s)", "Długie (>240s)")

df$duration_category <- cut(df$duration, breaks = bins, labels = labels, include.lowest = TRUE)

# Obliczanie średniej liczby streamów w każdej kategorii
avg_streams_by_duration <- df %>%
  group_by(duration_category) %>%
  summarise(mean_streams = mean(stream, na.rm = TRUE)) %>%
  ungroup()

# Tworzenie wykresu
ggplot(avg_streams_by_duration, aes(x = duration_category, y = mean_streams, fill = duration_category)) +
  geom_bar(stat = "identity", show.legend = FALSE) +
  scale_fill_manual(values = c("red", "orange", "blue")) +  # Kolory dla różnych kategorii
  scale_y_continuous(labels = function(x) {
    ifelse(x >= 1e9, paste0(round(x / 1e9, 1), "B"),
           ifelse(x >= 1e6, paste0(round(x / 1e6, 1), "M"), round(x)))
  }) +
  labs(
    title = "Średnia liczba streamów w zależności od długości piosenki",
    x = "Długość piosenki",
    y = "Średnia liczba streamów"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 14),
    axis.text.y = element_text(size = 14),
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
  )
No description has been provided for this image

Wnioski:

Długość piosenki nie ma znacznego wpływu na liczbę streamów. Krótkie utwory sa minimalnie częściej streamowane nić średnie i długie utwory.

Wpływ poszczególnych wytwórni na popularność utworów¶

In [ ]:
library(ggplot2)
library(dplyr)

# Załóżmy, że masz dane w ramce danych 'df'

# Obliczanie średniej popularności dla każdej wytwórni
avg_popularity_by_label <- df %>%
  group_by(label) %>%
  summarise(mean_popularity = mean(popularity, na.rm = TRUE)) %>%
  ungroup()

# Sortowanie danych według popularności malejąco
avg_popularity_by_label <- avg_popularity_by_label %>%
  arrange(desc(mean_popularity))

# Tworzenie wykresu słupkowego
ggplot(avg_popularity_by_label, aes(x = mean_popularity, y = reorder(label, mean_popularity), fill = label)) +
  geom_bar(stat = "identity") +
  scale_fill_viridis_d() +  # Paleta 'viridis'
  labs(
    title = "Wpływ poszczególnych wytwórni na popularność utworów",
    x = "Średnia popularność",
    y = "Wytwórnia"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    axis.text.y = element_text(size = 14),
    axis.text.x = element_text(size = 14),
    plot.title = element_text(size = 20),
    axis.title = element_text(size = 16),
    legend.title = element_text(size = 16),
    legend.text = element_text(size = 14)
  )
No description has been provided for this image

Wnioksi:

Jak widać zależność popularności utworów od wytwórki, w której zostały wydane jest lekko widoczna. Największą popularnością cieszą się utwory wydane przez Indie oraz Atlantic Records, najmniejszą - Sony Music. Między Def Jam a Warner Music jest widoczna różnica w popularności.